[论文解读] MonoStream: A Minimal-Hardware High Accuracy Device-free WLAN Localization System

Ibrahim Sabek, Moustafa Youssef|arXiv (Cornell University)|Aug 4, 2013

Indoor and Outdoor Localization Technologies参考文献 28被引用 22

一句话总结

MonoStream 提出了一种高精度、低硬件需求的免设备 WLAN 定位系统，仅通过单个接入点和接收器，利用详细的信道状态信息（CSI）和 MIMO 数据实现。它将定位建模为一个物体识别问题，引入新型 CSI 上下文特征与联合提升技术，实现 0.95m 的中位数误差——比最先进水平提高 26%——同时在标准硬件上保持每更新低于 23ms 的延迟。

ABSTRACT

Device-free (DF) localization is an emerging technology that allows the detection and tracking of entities that do not carry any devices nor participate actively in the localization process. Typically, DF systems require a large number of transmitters and receivers to achieve acceptable accuracy, which is not available in many scenarios such as homes and small businesses. In this paper, we introduce MonoStream as an accurate single-stream DF localization system that leverages the rich Channel State Information (CSI) as well as MIMO information from the physical layer to provide accurate DF localization with only one stream. To boost its accuracy and attain low computational requirements, MonoStream models the DF localization problem as an object recognition problem and uses a novel set of CSI-context features and techniques with proven accuracy and efficiency. Experimental evaluation in two typical testbeds, with a side-by-side comparison with the state-of-the-art, shows that MonoStream can achieve an accuracy of 0.95m with at least 26% enhancement in median distance error using a single stream only. This enhancement in accuracy comes with an efficient execution of less than 23ms per location update on a typical laptop. This highlights the potential of MonoStream usage for real-time DF tracking applications.

研究动机与目标

• 解决现有免设备（DF）定位系统依赖多个发射器和接收器的问题，使其在家庭和小型企业中难以实用化。
• 仅使用单一无线信号流（一个 AP 和一个监控点）实现高精度 DF 定位，以降低硬件成本和部署复杂度。
• 利用标准 IEEE 802.11n WiFi 网络中的丰富物理层信息——特别是 CSI 和 MIMO 数据——来补偿空间多样性有限的问题。
• 实现低计算开销的实时性能，以支持在真实场景中的实际部署。
• 通过将定位建模为物体识别任务并结合判别性特征提取，克服相邻位置间 CSI 变化微小的挑战。

提出的方法

• 将免设备定位问题建模为物体识别任务，将不同位置的 CSI 图谱视为图像以提取判别性特征。
• 提出一组新型 CSI 上下文特征，捕捉人体存在导致的子载波上 CSI 幅度和相位的细微变化。
• 利用多根天线对之间的 MIMO 信息，在最小硬件投入下提升空间分辨率和定位精度。
• 采用基于 AdaBoost 的联合提升技术，从大规模特征空间中高效选择最具信息量的特征，降低训练和推理开销。
• 使用 Haar 类似特征和决策桩实现快速计算，使系统在普通笔记本电脑上每位置更新延迟低于 23ms，实现实时处理。
• 采用特征选择策略，避免过拟合，并在环境动态变化下保持鲁棒性。

实验结果

研究问题

• RQ1 仅使用单一无线信号流（一个 AP 和一个接收器）且无需专用硬件，免设备定位系统能否实现高精度？
• RQ2 在低信号流环境下，标准 WiFi 硬件提供的详细 CSI 和 MIMO 信息能在多大程度上提升定位精度？
• RQ3 将免设备定位建模为使用自定义 CSI 上下文特征的物体识别任务，能否在精度和效率上超越传统基于 RSS 的方法？
• RQ4 此类系统的计算成本是多少？能否在通用硬件上实现实时性能？
• RQ5 系统如何应对环境动态变化，如移动物体或家具变动？

主要发现

• MonoStream 在仅使用一个接入点和一台笔记本电脑作为监控点的真实实验环境中，实现了 0.95m 的中位数定位误差。
• 与相同条件下最先进免设备定位系统相比，该结果至少实现了 26% 的中位数距离误差降低。
• 系统保持了实时性能，每估计值的定位更新延迟低于 23ms，支持实际的实时跟踪。
• 通过使用 CSI 上下文特征和联合提升技术，即使在单一流信号导致的空间多样性有限的情况下，仍能实现高精度，优于仅依赖 MAC 层 RSS 的方法。
• 系统对环境变化具有鲁棒性，且可通过极少修改扩展至多实体跟踪和实体识别。
• 通过轻量级的 Haar 类似特征和决策桩实现计算高效，降低训练和推理成本，同时不牺牲精度。